Học máy Bảo toàn Quyền riêng tư: Bảo mật Việc học với An toàn Kiểu dữ liệu

Sự tiến bộ nhanh chóng của Học máy (ML) đã mở ra một kỷ nguyên đổi mới chưa từng có, thúc đẩy sự phát triển trong vô số ngành công nghiệp. Tuy nhiên, sự tiến bộ này ngày càng bị lu mờ bởi những lo ngại gia tăng về quyền riêng tư và bảo mật dữ liệu. Khi các mô hình ML trở nên tinh vi và phụ thuộc nhiều vào dữ liệu hơn, thông tin nhạy cảm mà chúng xử lý trở thành mục tiêu hàng đầu cho các vụ vi phạm và lạm dụng. Học máy Bảo toàn Quyền riêng tư Tổng quát (PPML) nhằm giải quyết thách thức quan trọng này bằng cách cho phép huấn luyện và triển khai các mô hình ML mà không làm ảnh hưởng đến tính bảo mật của dữ liệu cơ bản. Bài viết này đi sâu vào các khái niệm cốt lõi của PPML, đặc biệt tập trung vào cách An toàn Kiểu dữ liệu đang nổi lên như một cơ chế mạnh mẽ để tăng cường tính bảo mật và độ tin cậy của các hệ thống học tập phức tạp này trên quy mô toàn cầu.

Yêu cầu Cấp thiết Ngày càng tăng về Quyền riêng tư trong ML

Trong thế giới kết nối ngày nay, dữ liệu thường được ví như dầu mỏ mới. Các doanh nghiệp, nhà nghiên cứu và chính phủ đều đang tận dụng các bộ dữ liệu khổng lồ để huấn luyện các mô hình ML có thể dự đoán hành vi người tiêu dùng, chẩn đoán bệnh tật, tối ưu hóa chuỗi cung ứng và nhiều hơn nữa. Tuy nhiên, sự phụ thuộc vào dữ liệu này mang lại những rủi ro cố hữu:

• Thông tin Nhạy cảm: Các bộ dữ liệu thường chứa thông tin nhận dạng cá nhân (PII), hồ sơ sức khỏe, chi tiết tài chính và dữ liệu kinh doanh độc quyền.
• Bối cảnh Quy định: Các quy định bảo vệ dữ liệu nghiêm ngặt như GDPR (Quy định chung về Bảo vệ Dữ liệu) ở châu Âu, CCPA (Đạo luật Quyền riêng tư của Người tiêu dùng California) ở Hoa Kỳ và các khuôn khổ tương tự trên toàn thế giới yêu cầu các biện pháp bảo vệ quyền riêng tư mạnh mẽ.
• Cân nhắc về Đạo đức: Ngoài các yêu cầu pháp lý, còn có một yêu cầu cấp thiết về mặt đạo đức ngày càng tăng để bảo vệ quyền riêng tư cá nhân và ngăn chặn sự thiên vị thuật toán có thể phát sinh từ việc xử lý dữ liệu sai cách.
• Các Mối đe dọa An ninh mạng: Bản thân các mô hình ML có thể dễ bị tấn công, chẳng hạn như tấn công đầu độc dữ liệu, tấn công đảo ngược mô hình và tấn công suy luận thành viên, có thể tiết lộ thông tin nhạy cảm về dữ liệu huấn luyện.

Những thách thức này đòi hỏi một sự thay đổi mô hình trong cách chúng ta tiếp cận phát triển ML, chuyển từ cách tiếp cận lấy dữ liệu làm trung tâm sang cách tiếp cận quyền riêng tư theo thiết kế. PPML tổng quát cung cấp một bộ kỹ thuật được thiết kế để xây dựng các hệ thống ML vốn đã mạnh mẽ hơn trước các vi phạm quyền riêng tư.

Tìm hiểu về Học máy Bảo toàn Quyền riêng tư Tổng quát (PPML)

PPML tổng quát bao gồm một loạt các kỹ thuật cho phép các thuật toán ML hoạt động trên dữ liệu mà không để lộ thông tin thô, nhạy cảm. Mục tiêu là thực hiện các phép tính hoặc rút ra thông tin chi tiết từ dữ liệu trong khi vẫn duy trì quyền riêng tư của nó. Các phương pháp chính trong PPML bao gồm:

1. Riêng tư Vi phân (DP)

Riêng tư vi phân là một khuôn khổ toán học cung cấp sự đảm bảo mạnh mẽ về quyền riêng tư bằng cách thêm nhiễu được hiệu chỉnh cẩn thận vào dữ liệu hoặc kết quả truy vấn. Nó đảm bảo rằng kết quả của một phân tích gần như không thay đổi dù dữ liệu của bất kỳ cá nhân nào có được đưa vào bộ dữ liệu hay không. Điều này khiến kẻ tấn công cực kỳ khó suy ra thông tin về một cá nhân cụ thể.

Cách hoạt động:

DP đạt được bằng cách đưa nhiễu ngẫu nhiên vào quá trình tính toán. Lượng nhiễu được xác định bởi một tham số riêng tư, epsilon (ε). Epsilon nhỏ hơn cho thấy đảm bảo quyền riêng tư mạnh hơn nhưng cũng có thể dẫn đến kết quả kém chính xác hơn.

Ứng dụng:

• Thống kê Tổng hợp: Bảo vệ quyền riêng tư khi tính toán các số liệu thống kê như giá trị trung bình hoặc số đếm từ các bộ dữ liệu nhạy cảm.
• Huấn luyện Mô hình ML: DP có thể được áp dụng trong quá trình huấn luyện các mô hình ML (ví dụ: DP-SGD - Stochastic Gradient Descent với Riêng tư Vi phân) để đảm bảo rằng mô hình không ghi nhớ các ví dụ huấn luyện riêng lẻ.
• Phát hành Dữ liệu: Phát hành các phiên bản ẩn danh của bộ dữ liệu với sự đảm bảo của DP.

Mức độ Phù hợp Toàn cầu:

DP là một khái niệm nền tảng có khả năng ứng dụng phổ quát. Ví dụ, các gã khổng lồ công nghệ như Apple và Google sử dụng DP để thu thập số liệu thống kê sử dụng từ các thiết bị của họ (ví dụ: gợi ý bàn phím, việc sử dụng emoji) mà không xâm phạm quyền riêng tư của người dùng cá nhân. Điều này cho phép cải thiện dịch vụ dựa trên hành vi tập thể trong khi tôn trọng quyền dữ liệu của người dùng.

2. Mã hóa Đồng cấu (HE)

Mã hóa đồng cấu cho phép thực hiện các phép tính trực tiếp trên dữ liệu đã được mã hóa mà không cần phải giải mã nó trước. Kết quả của các phép tính này, khi được giải mã, sẽ giống như khi các phép tính được thực hiện trên dữ liệu gốc chưa mã hóa. Điều này thường được gọi là "tính toán trên dữ liệu đã mã hóa".

Các loại HE:

• Mã hóa Đồng cấu Một phần (PHE): Chỉ hỗ trợ một loại phép toán (ví dụ: cộng hoặc nhân) với số lần không giới hạn.
• Mã hóa Đồng cấu Gần như Hoàn toàn (SHE): Hỗ trợ một số lượng giới hạn cả hai phép toán cộng và nhân.
• Mã hóa Đồng cấu Hoàn toàn (FHE): Hỗ trợ số lượng không giới hạn cả hai phép toán cộng và nhân, cho phép thực hiện các phép tính tùy ý trên dữ liệu đã mã hóa.

Ứng dụng:

• ML trên Đám mây: Người dùng có thể tải dữ liệu đã mã hóa lên máy chủ đám mây để huấn luyện hoặc suy luận mô hình ML mà nhà cung cấp đám mây không thể xem dữ liệu thô.
• Thuê ngoài An toàn: Các công ty có thể thuê ngoài các phép tính nhạy cảm cho các nhà cung cấp bên thứ ba trong khi vẫn duy trì tính bảo mật của dữ liệu.

Thách thức:

HE, đặc biệt là FHE, đòi hỏi tính toán rất nhiều và có thể làm tăng đáng kể thời gian tính toán và kích thước dữ liệu, khiến nó không thực tế cho nhiều ứng dụng thời gian thực. Nghiên cứu đang được tiến hành để cải thiện hiệu quả của nó.

3. Tính toán Đa bên An toàn (SMPC hoặc MPC)

SMPC cho phép nhiều bên cùng nhau tính toán một hàm trên các đầu vào riêng tư của họ mà không tiết lộ các đầu vào đó cho nhau. Mỗi bên chỉ biết được kết quả cuối cùng của phép tính.

Cách hoạt động:

Các giao thức SMPC thường bao gồm việc chia dữ liệu thành các phần chia bí mật, phân phối các phần chia này cho các bên, và sau đó thực hiện các phép tính trên các phần chia này. Nhiều kỹ thuật mã hóa khác nhau được sử dụng để đảm bảo rằng không một bên nào có thể tái tạo lại dữ liệu gốc.

Ứng dụng:

• ML Hợp tác: Nhiều tổ chức có thể huấn luyện một mô hình ML chung trên các bộ dữ liệu riêng tư kết hợp của họ mà không cần chia sẻ dữ liệu cá nhân. Ví dụ, một số bệnh viện có thể hợp tác để huấn luyện một mô hình chẩn đoán mà không cần gộp chung hồ sơ bệnh nhân.
• Phân tích Dữ liệu Riêng tư: Cho phép phân tích chung các bộ dữ liệu nhạy cảm từ các nguồn khác nhau.

Ví dụ:

Hãy tưởng tượng một liên minh các ngân hàng muốn huấn luyện một mô hình ML chống gian lận. Mỗi ngân hàng có dữ liệu giao dịch riêng. Bằng cách sử dụng SMPC, họ có thể cùng nhau huấn luyện một mô hình được hưởng lợi từ tất cả dữ liệu của họ mà không có ngân hàng nào phải tiết lộ lịch sử giao dịch của khách hàng cho các ngân hàng khác.

4. Học Liên kết (FL)

Học liên kết là một phương pháp ML phân tán, huấn luyện một thuật toán trên nhiều thiết bị biên hoặc máy chủ phi tập trung chứa các mẫu dữ liệu cục bộ, mà không cần trao đổi chính dữ liệu đó. Thay vào đó, chỉ có các bản cập nhật mô hình (ví dụ: gradient hoặc tham số mô hình) được chia sẻ và tổng hợp tại trung tâm.

Cách hoạt động:

1. Một mô hình toàn cục được khởi tạo trên một máy chủ trung tâm.
2. Mô hình toàn cục được gửi đến các thiết bị khách đã chọn (ví dụ: điện thoại thông minh, bệnh viện).
3. Mỗi máy khách tự huấn luyện mô hình cục bộ trên dữ liệu của riêng mình.
4. Các máy khách gửi các bản cập nhật mô hình của họ (không phải dữ liệu) trở lại máy chủ trung tâm.
5. Máy chủ trung tâm tổng hợp các bản cập nhật này để cải thiện mô hình toàn cục.

Cải tiến Quyền riêng tư trong FL:

Mặc dù FL vốn đã giảm thiểu việc di chuyển dữ liệu, bản thân nó không hoàn toàn bảo toàn quyền riêng tư. Các bản cập nhật mô hình vẫn có thể làm rò rỉ thông tin. Do đó, FL thường được kết hợp với các kỹ thuật PPML khác như Riêng tư Vi phân và Tổng hợp An toàn (một dạng của SMPC để tổng hợp các bản cập nhật mô hình) để tăng cường quyền riêng tư.

Tác động Toàn cầu:

FL đang cách mạng hóa ML trên di động, IoT và chăm sóc sức khỏe. Ví dụ, Gboard của Google sử dụng FL để cải thiện tính năng dự đoán từ tiếp theo trên các thiết bị Android. Trong lĩnh vực chăm sóc sức khỏe, FL cho phép huấn luyện các mô hình chẩn đoán y tế trên nhiều bệnh viện mà không cần tập trung hóa hồ sơ bệnh nhân nhạy cảm, giúp mang lại các phương pháp điều trị tốt hơn trên toàn cầu.

Vai trò của An toàn Kiểu dữ liệu trong việc Tăng cường Bảo mật PPML

Mặc dù các kỹ thuật mã hóa trên cung cấp các đảm bảo quyền riêng tư mạnh mẽ, chúng có thể phức tạp để triển khai và dễ xảy ra lỗi. Việc giới thiệu An toàn Kiểu dữ liệu, lấy cảm hứng từ các nguyên tắc trong thiết kế ngôn ngữ lập trình, cung cấp một lớp bảo mật và độ tin cậy bổ sung và quan trọng cho các hệ thống PPML.

An toàn Kiểu dữ liệu là gì?

Trong lập trình, an toàn kiểu dữ liệu đảm bảo rằng các hoạt động được thực hiện trên dữ liệu có kiểu phù hợp. Ví dụ, bạn không thể cộng một chuỗi với một số nguyên mà không có sự chuyển đổi tường minh. An toàn kiểu dữ liệu giúp ngăn ngừa các lỗi thời gian chạy và lỗi logic bằng cách phát hiện các khả năng không khớp kiểu tại thời điểm biên dịch hoặc thông qua các kiểm tra nghiêm ngặt tại thời gian chạy.

Áp dụng An toàn Kiểu dữ liệu vào PPML

Khái niệm an toàn kiểu dữ liệu có thể được mở rộng sang lĩnh vực PPML để đảm bảo rằng các hoạt động liên quan đến dữ liệu nhạy cảm và các cơ chế bảo toàn quyền riêng tư được xử lý một cách chính xác và an toàn. Điều này bao gồm việc định nghĩa và thực thi các "kiểu" cụ thể cho dữ liệu dựa trên:

• Mức độ Nhạy cảm: Dữ liệu đó là PII thô, dữ liệu ẩn danh, dữ liệu mã hóa hay một tập hợp thống kê?
• Đảm bảo Quyền riêng tư: Mức độ riêng tư nào (ví dụ: ngân sách DP cụ thể, loại mã hóa, giao thức SMPC) được liên kết với dữ liệu hoặc phép tính này?
• Các Hoạt động được Phép: Những hoạt động nào được phép đối với kiểu dữ liệu này? Ví dụ, PII thô chỉ có thể được truy cập dưới sự kiểm soát chặt chẽ, trong khi dữ liệu mã hóa có thể được xử lý bởi các thư viện HE.

Lợi ích của An toàn Kiểu dữ liệu trong PPML:

1. Giảm thiểu Lỗi Triển khai:

   Các kỹ thuật PPML thường liên quan đến các phép toán phức tạp và các giao thức mã hóa. Một hệ thống kiểu có thể hướng dẫn các nhà phát triển, đảm bảo rằng họ sử dụng đúng các hàm và tham số cho từng cơ chế riêng tư. Ví dụ, một hệ thống kiểu có thể ngăn một nhà phát triển vô tình áp dụng một hàm được thiết kế cho dữ liệu được mã hóa đồng cấu cho dữ liệu có riêng tư vi phân, do đó tránh được các lỗi logic có thể làm tổn hại đến quyền riêng tư.

2. Tăng cường Đảm bảo An ninh:

   Bằng cách thực thi nghiêm ngặt các quy tắc về cách xử lý các loại dữ liệu nhạy cảm khác nhau, an toàn kiểu dữ liệu cung cấp một lớp phòng thủ mạnh mẽ chống lại việc rò rỉ hoặc lạm dụng dữ liệu do vô tình. Ví dụ, một "kiểu PII" có thể bắt buộc rằng bất kỳ hoạt động nào trên nó phải được thực hiện thông qua một API bảo toàn quyền riêng tư được chỉ định, thay vì cho phép truy cập trực tiếp.

3. Cải thiện Khả năng Kết hợp của các Kỹ thuật PPML:

   Các giải pháp PPML trong thế giới thực thường kết hợp nhiều kỹ thuật (ví dụ: Học Liên kết với Riêng tư Vi phân và Tổng hợp An toàn). An toàn kiểu dữ liệu có thể cung cấp một khuôn khổ để đảm bảo rằng các hệ thống tổng hợp này được tích hợp chính xác. Các "kiểu riêng tư" khác nhau có thể đại diện cho dữ liệu được xử lý bằng các phương pháp khác nhau, và hệ thống kiểu có thể xác minh rằng các kết hợp là hợp lệ và duy trì được sự đảm bảo quyền riêng tư tổng thể mong muốn.

4. Hệ thống có thể Kiểm toán và Xác minh:

   Một hệ thống kiểu được định nghĩa rõ ràng giúp dễ dàng kiểm toán và xác minh các thuộc tính riêng tư của một hệ thống ML. Các kiểu hoạt động như các chú thích chính thức định nghĩa rõ ràng trạng thái riêng tư của dữ liệu và các phép tính, giúp các kiểm toán viên bảo mật dễ dàng đánh giá sự tuân thủ và xác định các lỗ hổng tiềm ẩn.

5. Năng suất và Giáo dục cho Nhà phát triển:

   Bằng cách trừu tượng hóa một số sự phức tạp của các cơ chế PPML, an toàn kiểu dữ liệu có thể giúp các kỹ thuật này dễ tiếp cận hơn với nhiều nhà phát triển hơn. Các định nghĩa kiểu rõ ràng và các kiểm tra tại thời điểm biên dịch giúp giảm bớt đường cong học tập và cho phép các nhà phát triển tập trung nhiều hơn vào logic ML, với sự yên tâm rằng cơ sở hạ tầng riêng tư là vững chắc.

Các ví dụ minh họa về An toàn Kiểu dữ liệu trong PPML:

Hãy xem xét một số kịch bản thực tế:

Kịch bản 1: Học Liên kết với Riêng tư Vi phân

Hãy xem xét một mô hình ML đang được huấn luyện thông qua học liên kết. Mỗi máy khách có dữ liệu cục bộ. Để thêm riêng tư vi phân, nhiễu được thêm vào các gradient trước khi tổng hợp.

Một hệ thống kiểu có thể định nghĩa:

• DuLieuTho: Đại diện cho dữ liệu nhạy cảm, chưa qua xử lý.
• GradientDP: Đại diện cho các gradient của mô hình đã được làm nhiễu bằng riêng tư vi phân, mang theo một ngân sách riêng tư (epsilon) đi kèm.
• GradientTongHop: Đại diện cho các gradient sau khi tổng hợp an toàn.

Hệ thống kiểu sẽ thực thi các quy tắc như:

• Các hoạt động truy cập trực tiếp vào DuLieuTho đòi hỏi các kiểm tra ủy quyền cụ thể.
• Các hàm tính toán gradient phải trả về một kiểu GradientDP khi một ngân sách DP được chỉ định.
• Các hàm tổng hợp chỉ có thể chấp nhận các kiểu GradientDP và trả về một kiểu GradientTongHop.

Điều này ngăn chặn các kịch bản trong đó các gradient thô (có thể nhạy cảm) được tổng hợp trực tiếp mà không có DP, hoặc trong đó nhiễu DP được áp dụng không chính xác cho các kết quả đã được tổng hợp.

Kịch bản 2: Thuê ngoài việc Huấn luyện Mô hình một cách An toàn bằng Mã hóa Đồng cấu

Một công ty muốn huấn luyện một mô hình trên dữ liệu nhạy cảm của mình bằng cách sử dụng một nhà cung cấp đám mây bên thứ ba, sử dụng mã hóa đồng cấu.

Một hệ thống kiểu có thể định nghĩa:

• DuLieuMaHoaHE: Đại diện cho dữ liệu được mã hóa bằng một lược đồ mã hóa đồng cấu, mang thông tin về lược đồ và các tham số mã hóa.
• KetQuaTinhToanHE: Đại diện cho kết quả của một phép tính đồng cấu trên DuLieuMaHoaHE.

Các quy tắc được thực thi:

• Chỉ các hàm được thiết kế cho HE (ví dụ: cộng, nhân đồng cấu) mới có thể hoạt động trên DuLieuMaHoaHE.
• Các nỗ lực giải mã DuLieuMaHoaHE bên ngoài một môi trường đáng tin cậy sẽ bị gắn cờ.
• Hệ thống kiểu đảm bảo rằng nhà cung cấp đám mây chỉ nhận và xử lý dữ liệu có kiểu DuLieuMaHoaHE, không bao giờ là bản rõ gốc.

Điều này ngăn chặn việc giải mã dữ liệu một cách vô tình trong khi nó đang được xử lý bởi đám mây, hoặc các nỗ lực sử dụng các hoạt động tiêu chuẩn, không đồng cấu trên dữ liệu đã mã hóa, điều này sẽ mang lại kết quả vô nghĩa và có khả năng tiết lộ thông tin về lược đồ mã hóa.

Kịch bản 3: Phân tích Dữ liệu Nhạy cảm giữa các Tổ chức bằng SMPC

Nhiều tổ chức nghiên cứu muốn cùng nhau phân tích dữ liệu bệnh nhân để xác định các mẫu bệnh, sử dụng SMPC.

Một hệ thống kiểu có thể định nghĩa:

• PhanChiaBiMat: Đại diện cho một phần chia của dữ liệu nhạy cảm được phân phối giữa các bên trong một giao thức SMPC.
• KetQuaSMPC: Đại diện cho đầu ra của một phép tính chung được thực hiện thông qua SMPC.

Các quy tắc:

• Chỉ các hàm dành riêng cho SMPC mới có thể hoạt động trên các kiểu PhanChiaBiMat.
• Việc truy cập trực tiếp vào một PhanChiaBiMat duy nhất bị hạn chế, ngăn chặn bất kỳ bên nào tái tạo dữ liệu cá nhân.
• Hệ thống đảm bảo rằng phép tính được thực hiện trên các phần chia tương ứng chính xác với phân tích thống kê mong muốn.

Điều này ngăn chặn tình huống một bên có thể cố gắng truy cập trực tiếp vào các phần chia dữ liệu thô, hoặc nơi các hoạt động không phải SMPC được áp dụng cho các phần chia, làm tổn hại đến phân tích chung và quyền riêng tư cá nhân.

Thách thức và Hướng đi Tương lai

Mặc dù an toàn kiểu dữ liệu mang lại những lợi thế đáng kể, việc tích hợp nó vào PPML không phải là không có thách thức:

• Sự phức tạp của Hệ thống Kiểu: Việc thiết kế các hệ thống kiểu toàn diện và hiệu quả cho các kịch bản PPML phức tạp có thể là một thách thức. Việc cân bằng giữa khả năng biểu đạt và khả năng xác minh là chìa khóa.
• Chi phí Hiệu suất: Việc kiểm tra kiểu tại thời gian chạy, mặc dù có lợi cho bảo mật, có thể gây ra chi phí hiệu suất. Các kỹ thuật tối ưu hóa sẽ rất quan trọng.
• Tiêu chuẩn hóa: Lĩnh vực PPML vẫn đang phát triển. Việc thiết lập các tiêu chuẩn ngành cho các định nghĩa kiểu và cơ chế thực thi sẽ rất quan trọng để được áp dụng rộng rãi.
• Tích hợp với các Framework Hiện có: Việc tích hợp liền mạch các tính năng an toàn kiểu dữ liệu vào các framework ML phổ biến (ví dụ: TensorFlow, PyTorch) đòi hỏi thiết kế và triển khai cẩn thận.

Nghiên cứu trong tương lai có thể sẽ tập trung vào việc phát triển các ngôn ngữ chuyên biệt theo lĩnh vực (DSL) hoặc các phần mở rộng trình biên dịch để nhúng các khái niệm PPML và an toàn kiểu dữ liệu trực tiếp vào quy trình phát triển ML. Việc tự động tạo mã bảo toàn quyền riêng tư dựa trên các chú thích kiểu là một lĩnh vực đầy hứa hẹn khác.

Kết luận

Học máy Bảo toàn Quyền riêng tư Tổng quát không còn là một lĩnh vực nghiên cứu chuyên biệt; nó đang trở thành một thành phần thiết yếu của việc phát triển AI có trách nhiệm. Khi chúng ta điều hướng trong một thế giới ngày càng nhiều dữ liệu, các kỹ thuật như riêng tư vi phân, mã hóa đồng cấu, tính toán đa bên an toàn và học liên kết cung cấp các công cụ nền tảng để bảo vệ thông tin nhạy cảm. Tuy nhiên, sự phức tạp của các công cụ này thường dẫn đến các lỗi triển khai có thể làm suy yếu các đảm bảo về quyền riêng tư. An toàn Kiểu dữ liệu cung cấp một cách tiếp cận mạnh mẽ, lấy lập trình viên làm trung tâm để giảm thiểu những rủi ro này. Bằng cách định nghĩa và thực thi các quy tắc nghiêm ngặt về cách xử lý dữ liệu với các đặc điểm riêng tư khác nhau, các hệ thống kiểu giúp tăng cường bảo mật, cải thiện độ tin cậy và làm cho PPML dễ tiếp cận hơn đối với các nhà phát triển toàn cầu. Việc áp dụng an toàn kiểu dữ liệu trong PPML là một bước đi quan trọng hướng tới việc xây dựng một tương lai AI đáng tin cậy và an toàn hơn cho mọi người, vượt qua mọi biên giới và văn hóa.

Hành trình hướng tới một AI thực sự an toàn và riêng tư vẫn đang tiếp diễn. Bằng cách kết hợp các kỹ thuật mã hóa tiên tiến với các nguyên tắc kỹ thuật phần mềm vững chắc như an toàn kiểu dữ liệu, chúng ta có thể khai phá toàn bộ tiềm năng của học máy trong khi vẫn bảo vệ quyền cơ bản về quyền riêng tư.